Unufoje vi motivita multajn homojn labori sur reala scienca problemo, Vi eltrovos ke via partoprenantoj estos heterogena en du ĉefaj manieroj: ili varias en sia lerteco kaj ili varias en sia nivelo de penado. La unua reago de multaj sociaj esploristoj estas ekskludi malalta kvalito partoprenantoj kaj tiam provi kolekti fiksan kvanton de informoj el ĉiuj restis. Tio estas la malĝusta vojo desegni maso kunlaboro projekto.
Unue, ekzistas neniu kialo ekskludi malaltaj spertaj partoprenantoj. En malferma alvokoj, malaltaj spertaj partoprenantoj kaŭzi problemojn; liaj kontribuoj ne doloras iu kaj ne postulas ajnan tempon taksi. En homa kalkulado kaj distribuita datenkolektado projektoj, aliflanke, la plej bona formo de kontrolo de kvalito venas tra redundo, ne altan stangon por partopreno. Fakte, anstataŭ ekskludante malalta lertecon partoprenantoj, pli bona alproksimiĝo estas helpi ilin fari pli bonajn kontribuojn, multe kiel la investigadores de eBird faris.
Due, ekzistas neniu kialo por kolekti fiksan kvanton de informo de ĉiu partoprenanto. Partopreno en multaj maso kunlaborado projektoj estas nekredeble malegala (Sauermann and Franzoni 2015) kun malgranda nombro de homoj kontribuantaj multe-foje nomata sebo kapon -kaj multaj homoj kontribuantaj iom-foje nomita la longa vosto. Se vi ne kolekti informojn el la sebo kapo kaj la longa vosto, vi lasas tunojn de informo uncollected. Ekzemple, se Vikipedio akceptitaj 10 kaj nur 10 redaktoj je redaktoro, ĝi perdus pri 95% de redaktoj (Salganik and Levy 2015) . Tiel, kun maso kunlaborado projektoj, ĝi estas bona por utiligi heterogeneco anstataŭ provi forigi ĝin.